AIARTIGO

Teses premiadas de ML aceleram AutoML em 89% e ensinam agentes a reaproveitar o que já aprenderam

Teses premiadas de ML aceleram AutoML em 89% e ensinam agentes a reaproveitar o que já aprenderam
Imagem: Redação iMasters
Artigo · AI
Leitura
4 min
Em resumo

Pesquisas do ICMC/USP e da UFRGS venceram o Prêmio Tese Destaque USP e o Prêmio Maria Carolina Monard e deixaram bibliotecas open source como pymfe, MO-Gymnasium e MORL-Baselines.

Duas teses brasileiras sobre aprendizado de máquina↳Machine learning39 conteúdosClassificador de Sentimentos – Azure MLData · abr 2019Inteligência Artificial e Machine Learning: O que você precisa saberAI · fev 2024Inteligência Artificial: seminário online da USP debate o futuro do aprendizado de máquinaGestão Dev & TI · jun 2021Ver tudo em AI → acabam de ser premiadas, e ambas atacam o mesmo gargalo: o custo computacional de treinar e ajustar modelos. Uma reduz em 89% o tempo do AutoML; a outra permite que agentes de aprendizado por reforço reaproveitem o que já aprenderam para enfrentar tarefas novas sem retreinar do zero. As duas também deixaram bibliotecas open source↳Open source71 conteúdosComo o Open Source Está Liberando o Poder da Automação para TodosDev (Back & Front) · out 2025Código aberto: programadores criam software da NASA sem saberDev (Back & Front) · abr 2021N8N: O que é a ferramenta open source que está revolucionando a automação em TI?Dev (Back & Front) · dez 2025Ver tudo em Dev (Back & Front) → que, somadas, passam de 200 mil downloads.

Meta-aprendizado corta 89% do tempo do AutoML

A tese de Edesio Alcobaça, defendida no Programa de Pós-Graduação em Ciências de Computação e Matemática Computacional do ICMC/USP, em São Carlos, venceu a categoria “Grande Área – Ciências Exatas e da Terra” da 15ª edição do Prêmio Tese Destaque USP. O trabalho foi orientado pelo professor André Carlos Ponce de Leon Ferreira de Carvalho e já havia ficado em segundo lugar no 39º Concurso de Teses e Dissertações da Sociedade Brasileira de Computação (SBC), em julho.

A pesquisa está no campo do aprendizado de máquina automatizado (AutoML), que busca automatizar etapas do desenvolvimento de modelos, como a escolha de algoritmos e hiperparâmetros. O problema é que, diante de um conjunto de dados novo, as combinações possíveis são muitas, e testar todas consome tempo e recursos. A proposta de Edesio usa meta-aprendizado para encolher esse espaço de busca antes da otimização.

Para isso, o método usa metacaracterísticas, informações que descrevem o conjunto de dados: estatísticas das variáveis, características das classes e medidas de complexidade do problema. Para extraí-las de forma padronizada, os pesquisadores criaram o pymfe, biblioteca Python open source com mais de 100 mil downloads. O resultado é uma redução de 89% no tempo de execução, mantendo a mesma qualidade nas previsões. Entre as aplicações citadas estão descoberta de novos materiais, reconhecimento de imagens com poucos dados e a democratização da IA nas empresas.

Edesio recebe R$ 10 mil e diploma assinado pelo reitor em cerimônia no dia 2 de dezembro, às 14h, na sala do Conselho Universitário da USP, em São Paulo. O orientador recebe R$ 5 mil. A tese completa está no Repositório da USP.

Agentes que combinam comportamentos já aprendidos

Já o Prêmio Maria Carolina Monard de Teses de Doutorado em Computação, criado pelo ICMC em 2023 em homenagem a uma das pioneiras do aprendizado de máquina no Brasil, foi para Lucas Nunes Alegre, da UFRGS, escolhido entre 12 trabalhos. A tese, orientada por Ana Lúcia Cetertich Bazzan (UFRGS) e coorientada por Bruno Castro da Silva (University of Massachusetts), também venceu o Concurso de Teses e Dissertações da SBC de 2026. O prêmio foi entregue na BRACIS 2026, em Cuiabá.

Intitulado Sample-Efficient Multi-Task and Multi-Objective Reinforcement Learning by Combining Multiple Behaviors, o trabalho trata de um limite conhecido do aprendizado por reforço: o agente aprende comportamentos especializados e, quando o objetivo muda, geralmente precisa ser treinado de novo. “Quando as condições ou prioridades mudam, geralmente é necessário realizar um novo treinamento, processo que exige tempo e recursos computacionais”, explica Lucas.

A principal contribuição foi demonstrar uma ligação matemática entre reaproveitar comportamentos de tarefas anteriores e aprender a lidar com vários objetivos ao mesmo tempo. Em certas condições, o agente chega à melhor solução para uma nova tarefa sem coletar novos dados, desde que ela seja uma combinação de objetivos que ele já conhece. No exemplo de um carro autônomo, seria passar a priorizar economia de energia em vez de tempo de viagem aproveitando o aprendizado anterior. A tese também propõe métodos baseados em modelo do ambiente para aprender com menos tentativas.

Em um teste com um robô simulado que precisava equilibrar velocidade e altura de salto, um dos principais algoritmos concorrentes teve desempenho inferior mesmo com dez vezes mais interações com o ambiente. Parte das ideias já rodou em hardware real: em estágio na Disney Research, em Zurique, Lucas ajudou a desenvolver um controlador que ajusta em tempo real movimentos como passos de dança e golpes de artes marciais, sem novo treinamento.

A pesquisa gerou, em colaboração, duas bibliotecas open source, MO-Gymnasium e MORL-Baselines, que juntas passam de 100 mil downloads e viraram referência para ambientes padronizados e algoritmos de aprendizado por reforço multiobjetivo. “Ferramentas criadas a partir de uma universidade pública brasileira se tornaram referência internacional e são usadas por pesquisadores do mundo todo”, destaca Lucas, hoje professor da UFRGS.

Matérias especiais e reportagens conduzidas internamente pela Redação iMasters. Acompanhe no Twitter @imasters e no Instagram/Threads @portalimasters

Mais de Redação iMasters
Ver perfil →